EEG와 MEG 데이터에 최신 블라인드 소스 분리 기법 적용의 난관

초록

EEG·MEG 신호는 다중 신경 발생원들의 중첩으로 복잡한 혼합 형태를 보이며, 최근 최대 엔트로피·최소 상호정보·최대우도 기반 블라인드 소스 분리(BSS) 기법이 성공을 거둔 음성·음향 분야와 달리 기대 이하의 성능을 보인다. 이는 기존 기법이 고첨도(큰 kurtosis)를 전제로 하는 반면, EEG·MEG 소스는 다중극성(멀티모달) 분포를 갖기 때문이다. 논문은 이러한 분포 차이를 실증적으로 제시하고, EEG·MEG 특화 BSS 기법 개발의 필요성을 강조한다.

상세 분석

본 논문은 고시간 해상도 뇌 활동 측정 방법인 EEG와 MEG가 갖는 본질적 혼합 문제를 블라인드 소스 분리(BSS) 관점에서 재조명한다. 전통적인 ICA(Independent Component Analysis)와 그 변형들은 일반적으로 ‘고첨도(large kurtosis)’ 혹은 ‘비가우시안성(non‑Gaussianity)’을 소스 신호의 구별 특성으로 가정한다. 이러한 가정은 음성·음악 신호와 같이 순간적인 피크가 뚜렷하고 분포가 뾰족한 경우에 효과적이며, 최대 엔트로피, 최소 상호정보, 최대우도 추정 등 다양한 최적화 기준이 이를 뒷받침한다. 그러나 EEG·MEG 데이터는 신경 발생원의 전기·자기장 패턴이 서로 겹쳐 나타나고, 각 발생원 자체가 여러 뇌 영역의 동시 활성화에 의해 다중극성을 띤다. 저자들은 실제 EEG/MEG 기록에서 각 채널의 히스토그램을 분석한 결과, 전형적인 ‘뾰족한’ 분포가 아니라 두 개 이상 피크를 가진 멀티모달 형태임을 확인하였다. 이는 고첨도 기반 BSS가 소스 간 통계적 독립성을 충분히 포착하지 못함을 의미한다.

또한, EEG·MEG는 센서 수가 소스 수보다 현저히 적은 ‘underdetermined’ 상황이 빈번하고, 측정 노이즈와 잡음(예: 전극 접촉 불량, 외부 전자기 간섭)도 비선형적으로 섞인다. 이러한 조건에서는 고차 통계량(예: kurtosis)만을 이용한 분리 기준이 불안정해지며, 알고리즘 수렴이 느려지거나 지역 최적점에 머무를 위험이 크다. 논문은 기존 BSS 기법을 EEG·MEG에 그대로 적용했을 때 재구성 오류가 크게 증가하고, 실제 신경학적 해석에 필요한 뚜렷한 컴포넌트를 도출하지 못한다는 실험 결과를 제시한다.

핵심 인사이트는 ‘소스 분포의 형태’를 정확히 모델링하지 않으면, BSS의 기본 전제인 ‘통계적 독립성’이 실질적으로 깨진다. 따라서 EEG·MEG에 특화된 BSS는 (1) 멀티모달 분포를 포괄하는 확률 모델(예: 혼합 가우시안, 베타·감마 혼합) 도입, (2) 시간‑주파수 도메인에서의 비정상성(non‑stationarity)을 반영한 적응형 학습, (3) 공간적 선행지식(예: 해부학적 머리 모델)과 결합한 제약조건을 활용해야 한다. 이러한 방향은 기존 최대 엔트로피·최소 상호정보 프레임워크를 확장하면서도, 뇌 신호의 고유 통계적 특성을 보존하도록 설계될 필요가 있다.